复杂性
研究文章

改善TLBO-JAYA子集算法特征选择和参数优化在入侵检测系统中

表14

与现有工作为NSL-KDD数据集。
Ref。 方法 数据集 Acc。 博士 远
(35] 两级分类器 NSL-KDD 96.38 N.G N.G
(36] Hypergraph-based遗传算法和支持向量机 NSL-KDD 0.975 0.9714 0.83
(8] 算法和支持向量机 NSL-KDD 0.9784 0.9723 0.87
(37] 卡方和支持向量机 NSL-KDD 0.98 N.G 0.13
(38] 支持向量机和混合算法 NSL-KDD 0.7341 0.6628 2.81
(39] 支持向量机和特征选择 NSL-KDD 0.90 N.G N.G
(40] 支持向量机和遗传算法 NSL-KDD 0.975 N.G N.G
TLBO-SVM TLBO和支持向量机 NSL-KDD 0.9801 0.9755 0.0284
ITLBO-SVM 改善TLBO和支持向量机 NSL-KDD 0.981 0.9758 0.0277
ITLBO-JAYA-SVM TLBO改善,改善JAYA和支持向量机 NSL-KDD 0.9816 0.9794 0.0265
ITLBO-IPJAYA-SVM TLBO改善,改善JAYA和支持向量机 NSL-KDD 0.9823 0.9798 0.0262